【论文研读】通过deep representation learning轨迹聚类

最新推荐文章于 2024-06-10 09:39:21 发布
最新推荐文章于 2024-06-10 09:39:21 发布
阅读量1k 收藏 5
点赞数 1
文章标签： 人工智能
原文链接：https://juejin.im/post/5c19a8bee51d451d4602f964
版权

1.论文目的：
输入轨迹序列，通过滑动串口算法提取物体的运动行为特征，捕捉轨迹的时空不变的特征。
在特征提取模块，每个轨迹都转化成一个特征序列描述物体运动，进一步利用序列对自动编码器进行序列编码学习固定长度的深度表示，学习到的表示方法对物体的运动特征进行了robustly encode，从而得到时空不变的聚类。

2.经典聚类算法
K-mean DBSCAN spectral clustering

  1. 轨迹相似性衡量及其对比
    DTW：dynamic time warping
    EDR：edit distance on real sequence
    LCSS：longest common subsequences

    几种轨迹相似度量方法的对比
  1. 分区

5.整体框架流程


GPS records---->(轨迹处理)trajectories------>(特征提取)moving behavior sequence----->(自动编码)moving behavior vector--->聚类分析层
****

6.特征提取流程

7.论文实验 此作者使用的是船轨迹进行一个分类，和本人工作有一部分相似，因暂未深读，后面源代码测试，能够跑通，会进行更新。
8.PPT :

weixin_34050389
关注
CVPR 2017 Deep representation learning for human motion prediction and classification 论文解读
UniSerj的博客
07-24 1447
论文: Deep representation learning for human motion prediction and classification 论文地址: https://arxiv.org/abs/1702.07486 通过对mocap数据的学习，基于三种不同的 temporal encoder structures， 实现对于人物运动的后几帧预测 Table of Con...
Deep Representation Learning for Trajectory Similarity Computation
小蚂蚁与大象
06-09 890
Deep Representation Learning for Trajectory Similarity Computation 在本文中，我们提出了一种新的方法，称为t2vec(轨迹到向量)，基于深度表示学习来推断和表示轨迹的底层路径信息。该算法对非均匀、低采样率和噪声采样点具有鲁棒性，可用于轨迹相似度计算。这是通过利用存档的历史轨迹数据和一个新的深度学习框架来实现的。根据所学的表示，计算两条轨迹之间的相似度只需要O(n + |v|) (|v|是向量v的长度)的线性时间，而现有的所有方法都需要O.
【论文笔记——DIM】Learning Deep Representations By Mutual Information Estimation and Maximization
Lethe's Blog
11-07 4396
arxiv：https://arxiv.org/abs/1808.06670 code：https://github.com/rdevon/DIM report video：https://www.youtube.com/watch?v=o1HIkn8LEsw&t=256s 1 Introduction 无监督学习一个重要的问题就是学习有用的 representation，本文的目的就是训练一个 representation learning 函数（即编码器encoder） ，其通过最大编码器输入和
文献阅读笔记2: Learning Deep Representation of Appearance and Motion for Anomalous Event Detection
Kraus111的博客
11-14 1259
文章来源：BMVC 2015 作者信息：Dan Xu ，Postdoctoral Researcher ，Visual Geometry Group (VGG) Department of Engineering Science，University of Oxford 主要内容：第一次将深度特征用于异常事件检测。提出AMDN架构，分为Appearance,Motion，Joint 3个通道,并对...
论文提要“Learning Deepface Representation”
cv_family_z的博客
10-08 971
提出来金字塔CNN（PCNN）做人脸识别，使用greedy-filter-and-down-sample算子，在多尺度上特征共享描述人脸，学习到的8维特征在LFW数据库测试达到97.3%的结果。传统的人脸识别步骤有预处理，低层编码，特征转换，高层特征表示。深度网络将这些步骤一体化，直接对图像像素进行分析，信号经历多层非线性变换，与人工设计的多步骤方法类似。人脸描述是从图像像素映射到数值向量 f:R
深度聚类（deep clustering）中的自监督（self-supervised）表示学习（representation learning）
qq_35803227的博客
12-14 3755
序言 两年之前开始学习深度聚类，首先是被其面对高维复杂海量数据时聚类效果的大幅度提升所吸引，两年之前那个“意气风发”的我读了几篇论文，以为自己已了解其主体，便动手写了那么几篇论文，结果是被现实摁在地上狠狠的摩擦。我开始重新审视这个方向。深度聚类中，深度模型的多样化，经典的有自动编码器AE,变分自动编码器 VAE,生成对抗网络GAN,高斯混合模型GMM以及近几年流形起来的图神经网络GCN等，聚类算法的多样性有经典的kmeans，凝聚聚类，谱聚类等。我把自己的目标定位在神经网络部分，而每类神经网络模型都是被损失
Deep-Learning-for-Clustering-in-Bioinformatics:基于深度学习的生物信息学聚类方法
05-25
”期刊的“”中发表的论文“基于深度学习的生物信息学聚类方法”的代码和补充材料。 此仓库将定期更新。 特别是，将添加更完整的Jupyter笔记本。 在本文中，我们回顾了基于深度学习的聚类分析方法，包括网络训练，...
论文解读|2020TPAMI|Deep High-Resolution Representation Learning for Visual Recognition
Akita·Wang's Semantic Segmentation
04-23 3365
用于视觉识别的深度高分辨率表征学习 github：https://github.com/HRNet 论文地址：https://arxiv.org/pdf/1908.07919 摘要 高分辨率表示对于位置敏感的视觉问题是必不可少的，例如人体姿态估计、语义分割和对象检测。现有的最先进的框架首先将输入图像编码为通过子网的低分辨率表示，该子网通过串联连接高到低分辨率卷积(例如，ResNet、VGGNet)而形成，然后从编码的低分辨率表示中恢复高分辨率表示。相反，我们提出的网络，命名为高分辨率网络(...
Deep Multimodal Representation Learning（深度多模态表示学习）
weixin_39406427的博客
03-08 6914
多模态表示学习旨在缩小不同模态之间的异质性差距，在利用普遍存在的多模态数据中发挥着不可或缺的作用。基于深度学习的多模态表示学习由于具有强大的多层次抽象表示能力，近年来引起了人们的广泛关注。 多模态融合的核心问题是异质性间隙，而为了便于讨论如何缩小异质性差距，根据不同模态集成的底层结构，我们将深度多模态表示学习方法分为三个框架：联合表示、协调表示和编解码器（如上图Fig1）. 那么又为什么称为表征学习呢？为传达世界上关于物体的全面信息，描述同一物体不同方面的各种认知信号被记录在文本、图像、视频、声
轨迹聚类-trajectory-clustering
09-10
轨迹聚类算法，先划分，后聚类，聚类算法是改进的DB-Scan;linux 编译，里面有Makefile
论文阅读学习 - Deep Representation Learning with Target Coding
长风破浪会有时，直挂云帆济沧海
01-19 1198
Deep Representation Learning with Target Coding [Project HomePage] [Paper - AAAI2015] [Supplementary Doc] [Code-cuda-convnet] 1-of-K code：长度为 KKK 的向量，第 kkk 个元素为 1，其它的为 0. [分类任务] Target code：mult...
【Person Re-ID】Deep Representation Learning with Part Loss for Person Re-Identification
大雄的专栏
01-04 1946
paper下载地址：https://arxiv.org/abs/1707.00798IntroductionPerson Re-ID需要解决什么问题？ 测试集中的人在训练集中是不可见的，因此需要学习到的描述子有足够的可分性。目前大多数表征学习方法的目的是最小化训练集的分类损失，这与Re-ID任务不同。表征学习方法更多的关注于人体的躯干部分，而忽略其他部分。对于不同的人，其他部分诸如头部，上半身体依
深度学习中的表示学习 Representation Learning
lili安的博客
06-28 1001
人的大脑会对眼睛捕捉到的外界事物进行逐级抽象，逐渐提取出抽象的语义信息，以便为人脑所理解。深度学习从这一科学发现得到启发，通过网络的权值来捕捉外界输入模式的特征，并且通过网络连接方式来组合这些特征从而提取出更加高层特征，采用这种方法逐级从大量的输入数据中学习到对于输入模式有效的特征表示，然后再把学习到的特征用于分类、回归和信息检索。深度学习能够提取输入数据的特征，降低输入数据的维数和复杂度，逼近复杂的函数。 为了使得深度网络结构变得更加容易训练，并且强化深度网络的特征提取和函数逼近能力，需要对深度...
Probabilistic Knowledge Transfer for Deep Representation Learning（2018）----论文笔记
落了一地秋的博客
09-13 1162
Probabilistic Knowledge Transfer for Deep Representation LearningAbstract1. Introduction后续存在问题：本文提出的方法：优点：贡献2 Related Work3 Probabilistic Knowledge Transfer4 Experimental Evaluation Abstract 1.蒸馏的知识：学习表示和label的互信息量 （mutual information between learned repre
T3S: Effective Representation Learning for Trajectory Similarity Computation
小蚂蚁与大象
06-09 512
T3S: Effective Representation Learning for Trajectory Similarity Computation 在本文中，我们提出了一种基于深度学习的模型，即T3S，它将每条轨迹(即点序列)嵌入到d维空间的一个向量(点)中，从而可以显著加快轨迹之间的相似度计算。T3S通过应用循环和注意神经网络，可以捕捉轨迹的各种独特特征，如点的排序、空间和结构信息。此外，我们基于学习的T3S可以通过训练调整其参数，轻松地处理任何轨迹相似度度量。 背景 ： 它们是根据特定的
20-Representation Learning with Multi-level Attention for ActivityTrajectory Similarity Computation
yuemo3353009的博客
03-27 604
[1] Liu A, Zhang Y, Zhang X, et al. Representation Learning with Multi-level Attention for Activity Trajectory Similarity Computation[J]. IEEE Transactions on Knowledge and Data Engineering, 2020. 文章目录`Abstract``Index Terms``1 Introduction``2 Preliminari.
探索飞行轨迹的奥秘：一场聚类算法的较量
最新发布
gitblog_00074的博客
06-10 399
探索飞行轨迹的奥秘：一场聚类算法的较量 comparing-trajectory-clustering-methods Comparing Different Clustering Methods and Similarity Metrics on Trajectory Datasets ...
deep graph contrastive representation learning
04-11
b'deep graph contrastive representation learning'是一种深度图对比表示学习的方法。它旨在利用图结构的特性，通过将相邻节点的表示进行对比学习，来学习节点的特征表示。这种方法可以应用于多种图形数据的任务中，如社交网络分析、推荐系统等。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值